时间序列是在时间维度上观察统计得到的数列值,是随机过程的一种特殊形式。在我们的现实生活中存在着大量的以时间为基础的数据,例如天气、金融、工业、农业、交通等各行各业涉及到的数据值。而时间序列预测则是大数据分析与挖掘领域中的一项重要研究,通过对以往收集到的时序数据进行分析与挖掘,找到其中存在的一定规律以便对未来的数据进行预测。时序预测对于各个领域都有十分重要的研究意义,可以更好的规划未来的发展,减少不必要的损失。时间序列预测依托多个学科,是一个多领域的交叉研究。早先的时序预测通常采用数理统计的方法,使用定量或定性的预测方法,对时间序列进行预测。这样做通常预测效率较差,预测的准确度较低。随着近几年数据挖掘与机器学习的兴起,人们开始意识到人工神经网络在时间序列预测上有良好的表现。通过循环神经网络,能够有效的对存在一定规律的时间序列进行训练,从而得到时间序列的预测值。本文对时序数据的预测主要做了以下工作:1、阐述时序预测的研究背景与现状,分析传统数理统计预测方法的不足和传统神经网络的不足。2、将采用循环神经网络的优化结构GRU(Gated Recurrent Unit)神经网络对时间序列预测进行研究。循环神经网络存在长范围依赖和梯度消失的问题,故直接选取门限结构更少,效率更好的GRU神经网络。3、对直接使用GRU神经网络预测出的结果进行二阶指数平滑优化,得出预测率更高的预测结果。4、对输入的训练数据进行升维操作,便于发现数据中更多的隐藏细节,训练出更优的神经网络模型。5、采用四组不同的数据集进行实验验证,使用三种不同的误差分析法进行误差分析。实验分析得出本文所提出的预测方案有更高的预测准确率。本文所做的研究提高了时间序列预测的精度,对工业产生还是实际生活中的时间序列分析有重要意义。